通过去中心化临床试验对纵向剂量-反应关系进行贝叶斯整合学习
本文提出一种贝叶斯整合学习流程,用于分析一项II期去中心化临床试验中结合集中式与去中心化数据采集的纵向剂量-反应关系。研究将参数指数衰减模型推广至混合数据源,并采用贝叶斯尖峰与平板先验处理去中心化测量带来的偏倚和不确定性。模拟和敏感性分析显示,该方法在不同场景下表现良好,在去中心化数据采集未引入额外变异或误差时效率与传统试验相当,即使存在此类问题,其偏倚和效率仍优于仅使用集中式数据或简单合并两源数据的朴素方法。
要点
- 提出贝叶斯整合学习流程分析II期去中心化临床试验的纵向剂量-反应关系。
- 采用尖峰与平板先验处理去中心化测量偏倚,实现数据自适应整合。
- 模拟显示去中心化数据无额外误差时效率与传统试验相当,有误差时仍优于朴素方法。
核心结论
- 所提出的贝叶斯整合学习方法在不同模拟场景下表现良好,在去中心化数据采集未引入额外变异或误差时效率与传统试验相当,即使存在此类问题,其偏倚和效率仍优于仅使用集中式数据或简单合并两源数据的朴素方法。
研究设计与样本
- 研究基于一项II期去中心化临床试验,该试验结合集中式与去中心化数据采集,收集纵向数据以分析剂量-反应关系。
- 方法学上推广参数指数衰减模型以处理混合数据源,并应用贝叶斯尖峰与平板先验处理去中心化测量带来的偏倚和不确定性,实现数据自适应整合。
- 通过模拟和敏感性分析评估所提方法在不同场景下的性能。
主要发现
- 模拟和敏感性分析显示,所提方法在不同场景下表现良好。
- 当去中心化数据采集未引入额外变异或误差时,该方法效率与传统试验相当。
- 即使去中心化数据采集引入额外变异或误差,该方法仍比仅依赖集中式数据或简单合并两源数据的朴素方法偏倚更小、效率更高。
临床怎么用
- 原文未据此给出临床推荐。
局限性
- 原文未报告局限性。
以上解读依据论文摘要(全文未开放获取或许可不允许翻译转载)。
原文
Decentralized clinical trials (DCTs) extend trial activities beyond traditional sites, enhancing access, convenience, efficiency, and result generalizability. They are particularly promising for chronic conditions like diabetes and obesity, which require longer study durations to evaluate drug effects. However, decentralized data collection raises concerns about increased variability and potential biases. This paper presents a novel Bayesian integrated learning procedure to analyze dose-response relationships using longitudinal data from a phase II DCT that combines centralized and decentralized data collection. We generalize a parametric exponential decay model to handle mixed data sources and apply Bayesian spike-and-slab priors to address biases and uncertainties from decentralized measurements. Our model enables data-adaptive integration of information from both centralized and decentralized sources. Through simulations and sensitivity analyses, we show that the proposed approach achieves favorable performance across various scenarios. Notably, the method matches the efficiency of traditional trials when decentralized data collection introduces no additional variability or error. Even when such issues arise, it remains less biased and more efficient than naïve methods that rely solely on centralized data or simply pool data from both sources.
引用
- Zhang J, Wang T, Qu Y, et al. Bayesian Integrated Learning of Longitudinal Dose-Response Relationships via Decentralized Clinical Trials. Stat Med. 2025. PMID: 41339943. doi:10.1002/sim.70338
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。